MidasBot: bot trading crypto IA + stratégies Ichimoku validées

- Infra: Freqtrade (futures dry-run) + Redis + dashboard + Docker Compose
- Couche IA: ai_analyzer (Claude via abonnement, MCP TradingView, backfill biais)
- Stratégies: SampleStrategy, AiBiasStrategy, IchimokuLS (long/short, validée
  train/test + données vierges + walk-forward), MTFIchimoku, variantes hyperopt
- Arbitrage CEX (dry-run), backtesting, walk-forward, volatility targeting
- IchimokuLS en dry-run live (config_live.json)

Claude-Session: https://claude.ai/code/session_01VHETcFacdnDhQzthLpdYFR

freqtrade/user_data/strategies/HyperStrategy.py

@@ -0,0 +1,82 @@
+# pragma pylint: disable=missing-docstring, invalid-name, too-few-public-methods
+"""
+HyperStrategy — stratégie paramétrable pour optimisation (hyperopt).
+
+Indicateurs fixes (EMA/RSI/ADX/MACD), conditions d'entrée et gestion de sortie
+PARAMÉTRÉES → Freqtrade peut optimiser les seuils, le ROI, le stoploss et le trailing.
+Méthode honnête : on optimise sur une période d'entraînement puis on VALIDE sur une
+période hors-échantillon (test) pour détecter le sur-apprentissage.
+"""
+from __future__ import annotations
+
+import talib.abstract as ta
+from pandas import DataFrame
+
+from freqtrade.strategy import (
+    IStrategy,
+    IntParameter,
+    BooleanParameter,
+)
+
+
+class HyperStrategy(IStrategy):
+    INTERFACE_VERSION = 3
+    timeframe = "1h"
+
+    # Valeurs par défaut — surchargées par les résultats d'hyperopt.
+    minimal_roi = {"0": 0.10, "240": 0.05, "720": 0.02, "1440": 0}
+    stoploss = -0.08
+    trailing_stop = True
+    trailing_stop_positive = 0.02
+    trailing_stop_positive_offset = 0.04
+    trailing_only_offset_is_reached = True
+
+    startup_candle_count: int = 60
+    process_only_new_candles = True
+    use_exit_signal = True
+
+    # --- Paramètres optimisables (espace "buy") ---
+    buy_rsi_max = IntParameter(60, 80, default=70, space="buy", optimize=True)
+    buy_adx_min = IntParameter(15, 40, default=25, space="buy", optimize=True)
+    buy_require_trend = BooleanParameter(default=True, space="buy", optimize=True)
+    buy_require_macd = BooleanParameter(default=True, space="buy", optimize=True)
+
+    # --- Paramètres optimisables (espace "sell") ---
+    sell_rsi_min = IntParameter(20, 50, default=35, space="sell", optimize=True)
+
+    def populate_indicators(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
+        dataframe["ema_fast"] = ta.EMA(dataframe, timeperiod=9)
+        dataframe["ema_slow"] = ta.EMA(dataframe, timeperiod=21)
+        dataframe["ema_trend"] = ta.EMA(dataframe, timeperiod=50)
+        dataframe["adx"] = ta.ADX(dataframe, timeperiod=14)
+        dataframe["rsi"] = ta.RSI(dataframe, timeperiod=14)
+        macd = ta.MACD(dataframe)
+        dataframe["macd"] = macd["macd"]
+        dataframe["macdsignal"] = macd["macdsignal"]
+        return dataframe
+
+    def populate_entry_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
+        cond = (
+            (dataframe["ema_fast"] > dataframe["ema_slow"])
+            & (dataframe["ema_fast"].shift(1) <= dataframe["ema_slow"].shift(1))
+            & (dataframe["rsi"] < self.buy_rsi_max.value)
+            & (dataframe["adx"] > self.buy_adx_min.value)
+            & (dataframe["volume"] > 0)
+        )
+        if self.buy_require_trend.value:
+            cond &= dataframe["close"] > dataframe["ema_trend"]
+        if self.buy_require_macd.value:
+            cond &= dataframe["macd"] > dataframe["macdsignal"]
+        dataframe.loc[cond, "enter_long"] = 1
+        return dataframe
+
+    def populate_exit_trend(self, dataframe: DataFrame, metadata: dict) -> DataFrame:
+        dataframe.loc[
+            (
+                (dataframe["ema_fast"] < dataframe["ema_slow"])
+                & (dataframe["rsi"] < self.sell_rsi_min.value)
+                & (dataframe["volume"] > 0)
+            ),
+            "exit_long",
+        ] = 1
+        return dataframe